.png){kind=icon}
返回
Accelerating Buckling Load Factor Prediction in Timber Frame Walls Using an Encoder–Decoder Surrogate Model
.png){kind=icon}
OA
AI
DOI：10.3390/buildings16122424.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在结构工程中，复杂木制墙组件的迭代优化本质上受到非线性有限元分析（FEA）高昂计算成本的制约。为克服此瓶颈，本研究引入了一种基于机器学习的高效代理模型，采用卷积编码器-解码器架构直接从结构拓扑预测整体屈曲荷载因子（BLF）。我们评估了三种不同的建模策略：直接预测模型、顺序模型以及同时预测BLF和重建空间拉应力场的多任务双损失模型。实验结果表明，直接预测和双损失方法在分布内数据上均达到近乎完美的预测精度，决定系数（R²）约为0.996。关键在于，这些代理模型将推理时间加速约12,800倍，与传统迭代求解器相比，评估时间从小时级缩短至秒级。此外，模型在严格的分布外测试中表现出卓越的鲁棒性和外推能力。模型在跨数据集分布偏移（R² ≈ 0.94）以及评估故意低性能、高脆弱性配置（R² ≈ 0.967）时仍保持高预测保真度。在结构上分离的保留墙几何形状上的广泛验证证实了模型能够泛化到完全未见的拓扑结构且不引入系统性偏差（R² > 0.95）。通过成功内化荷载重分布的底层物理原理，该代理框架为实时、自主的生成式设计与结构优化提供了可靠且计算成本低廉的基础。
Keyword:
machine learning
encoder–decoder regressor
buckling analysis
timber structures
finite element analysis
surrogate modelling
期刊
IF:
3.1
论文数:
1.8W
被引数:
2.5W
机构
引用论文
Schmidt-Kleespies, F.; Robeller, C.; Stahr, A. THE INTERLOCKING DOWEL SYSTEM—ECOBALANCE AND SCOPE OF APPLICATION. In Proceedings of the World Conference on Timber Engineering 2025, Brisbane, Australia, 22–26 June 2025; pp. 5320–5327. [Google Scholar] [CrossRef]施密特-克莱斯皮斯, F.; 罗贝尔, C.; 斯塔尔, A. 互锁销钉系统—生态平衡与应用范围。载于2025年世界木结构工程大会论文集, 澳大利亚布里斯班, 2025年6月22–26日; 第5320–5327页。.png)
IF0
PREAI
分享收藏Machine learning for structural engineering: A state-of-the-art review结构工程的机器学习: 最先进的评论STRUCTURES
STRUCTURESIF4.3
PREAI
分享收藏Mitigating severe over-parameterization in deep convolutional neural networks through forced feature abstraction and compression with an entropy-based heuristicPATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容